关于火山引擎语音合成SSML标记语言使用指南

一、关于 SSML

• SSML 是 W3C 的语音接口框架的一部分，通过它可以对语音合成的效果进行定制化。
• 接口传参时需选择 text_type=ssml，所有文本需放在 <speak></speak>标签之内。
• 当前仅支持中文普通话音色 SSML 调用，方言及小语种音色 SSML 调用后续会进行支持。
• 阅读更多关于《火山引擎SSML标记语言》的知识

二、SSML 能力目录

1. 根元素 speak

• 描述：SSML 的根元素，不论使用哪个 SSML 标签，都要有 <speak></speak>。
• 注意事项：
  • 可以独立使用，不加其他任何标签时没有特殊合成效果。
  • 在每次合成请求中只能有且只有一次出现。
  • 一定在需要合成的所有文本（及标点）的最外面。
  • 错误示范：一次请求包含 2 个及以上的 <speak></speak> 或 <speak>标签外还有文本内容都是错误的。

2. 韵律停顿 break

• 描述：用于在文本中插入停顿，可以自定义停顿的时间长度。
• 属性：
  • strength：可选值有 "x-weak", "weak", "medium", "strong", "x-strong"，按照预设等级调整停顿时长。
  • time：具体停顿时长，秒的绝对值，上限 10s，可以精确到小数点后 1 位。
• 注意事项：
  • strength 和 time 不能同时指定。
  • 当 <break time="0s"></break>时，默认按照句号节奏停顿，如不需停顿，请删去该标签。
  • 标签中间不能添加文本。

3. 指定词语结构 word

• 描述：用于说明词语结构，使指定的词组不被拆分，只能加在中文上。
• 注意事项：<word></word>内不支持数字、非中文语种。

4. 音频拼接 audio

• 描述：将 TTS 合成的语音与外部的音频文件进行拼接，拼接后作为一段完整音频返回。
• 属性：
  • src：外部音频的 url 地址，必须是 http 或 https 协议，仅支持 mp3 格式，文件大小不超过 10M。音频越大，下载延迟越高。
• 注意事项：标签中间不能添加文本。

5. 调整语速、语调、音量

• 句级别变速、变调、变音量：
  • 描述：支持请求中局部文字的变速、变调、变音量，所有音色均支持。
  • 属性：speed（改变速度，区间 0.5 - 2.0，精度小数点后一位）、volume（改变音量，区间 0.5 - 2.0，精度小数点后一位）、pitch（改变音调，区间 0.5 - 2.0，精度小数点后一位），三者必须有一。
• <英语>语调、重音、停顿时长控制：
  • 描述：<tobi>用于指定英文音高重音、短语重音和边界调，只适用于英文音色。
  • 属性：phrase_accent（L-或 H-，短语重音，控制单词的语调上扬、下降）、boundary_tone（L%或 H%，边界调，控制单词的停顿时长，必须配合 phrase_accent 一起使用）、accent_type（L或 H，音高重音，控制句子中的重音出现在哪个单词上）。
  • 注意事项：参数 phrase_accent 和 accent_type 二者至少要有一个；当需要参数 boundary_tone 时，必须提供参数 phrase_accent；<tobi>标签内有且只能有一个单词。

6. 指定字词发音 phoneme

• py 指定中文发音：
  • 描述：为标签内的文本指定发音，只能加在中文上。
  • 属性：alphabet = py 代表拼音，ph 用于指定拼音，多个拼音用空格分割，1 - 4 分别对应汉语四个声调，5 对应轻声，标签指定的拼音个数必须与标签内中文字数相等。
  • 注意事项：标签内不能有标点符号、空格等非汉字内容，拼音的 ü 需要写成 v，如果词语连读发音控制不明显，可增加 <break>标签，但 <phoneme>标签内不能嵌套 <break>，需要每个字单独使用 <phoneme>。